Test jednostronny i dwustronny – czym się różnią i kiedy wolno użyć testu jednostronnego?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 15 października 2026

Co to jest test jednostronny i dwustronny?

Test dwustronny (ang. two-tailed test) sprawdza niekierunkową hipotezę alternatywną, np. H1: μ₁ ≠ μ₂ – „grupy się różnią”, bez wskazania, która ma wyższy wynik. Test jednostronny (ang. one-tailed test) sprawdza hipotezę kierunkową, np. H1: μ₁ > μ₂; hipoteza zerowa obejmuje wtedy równość i przeciwny kierunek (H0: μ₁ ≤ μ₂). Bland i Altman (1994) ujmują różnicę krótko: w teście dwustronnym hipoteza alternatywna nie określa kierunku różnicy, a w jednostronnym – określa.

Różnica dotyczy obszaru odrzucenia H0. W teście dwustronnym poziom istotności α dzieli się na dwa ogony rozkładu (przy α = .05 po 2.5%), a w jednostronnym całe α trafia do jednego, z góry wskazanego ogona. Test dwustronny odpowiada pytaniu niekierunkowemu, a jednostronny – pytaniu kierunkowemu. Rozróżnienie stosuje się do testów t i z, testów korelacji czy proporcji. Test F w ANOVA i test chi-kwadrat korzystają wprawdzie tylko z prawego ogona rozkładu, ale ich hipotezy są niekierunkowe – według Blanda i Altmana (1994) porównania trzech i więcej grup są zawsze dwustronne.

Obszary odrzucenia: przykład z treningiem pamięci

Trzydzieści osób przeszło trening pamięci roboczej, a trzydzieści stanowiło grupę kontrolną; następnie wszyscy rozwiązali test pamięci (0–30 punktów; dane symulowane). Osoby po treningu uzyskały średnio M = 19.83 (SD = 3.97), a z grupy kontrolnej M = 17.87 (SD = 4.07). Test t dla prób niezależnych dał t(58) = 1.89, d = 0.49. Rysunek 1 pokazuje, jak ten sam wynik wypada w obu wersjach testu.

W teście dwustronnym wartości krytyczne wynoszą ±2.00, więc t = 1.89 nie wpada w obszar odrzucenia (p = .063). W teście jednostronnym wartość krytyczna to 1.67 – ten sam wynik jest istotny (p = .032). Test jednostronny ma większą moc w przewidywanym kierunku: przy d = 0.5 i 30 osobach w grupie wynosi ona .61 zamiast .48. Ceną jest rezygnacja z wykrywania efektów w przeciwnym kierunku.

Jak się mają do siebie wartości p obu testów?

Jeśli wynik ma kierunek zgodny z hipotezą, wartość p testu jednostronnego jest połową wartości dwustronnej: .0634 / 2 = .0317, czyli p = .032. Jeśli kierunek jest przeciwny, jednostronne p wynosi 1 − p_dwustronne/2 – w naszym przykładzie, gdyby H1 zakładała przewagę grupy kontrolnej, p = .968.

Test jednostronny nigdy nie uzna za istotny efektu w nieoczekiwanym kierunku, nawet bardzo dużego. Jednostronnemu przedziałowi [0.23, ∞) odpowiada dolna granica dwustronnego 90% przedziału ufności [0.23, 3.70].

Kiedy test jednostronny jest uzasadniony?

Rzadziej, niż się wydaje. Ruxton i Neuhäuser (2010) stawiają dwa warunki: autor musi umieć wyjaśnić, dlaczego interesuje go efekt tylko w jednym kierunku, i dlaczego duży efekt w kierunku nieoczekiwanym potraktowałby tak samo jak brak efektu – a uzasadnienie powinno znaleźć się w publikacji. Lombardi i Hurlbert (2009) przejrzeli zastosowania testów jednostronnych w czasopismach Animal Behaviour i Oecologia (roczniki 1989 i 2005) oraz zalecenia podręczników. Przyjęli kryterium z debaty psychologów z lat 50.: test jednostronny jest dopuszczalny tylko wtedy, gdy wyniki w przeciwnym kierunku nie mają znaczenia – w sensie interesu zbiorowego, a nie tylko autora. Według tego kryterium wszystkie przeanalizowane zastosowania wydawały się nieuprawnione. Bland i Altman (1994) krytycznie oceniają też uzasadnianie testu jednostronnego samym brakiem zainteresowania wynikiem przeciwnym.

Są też głosy w drugą stronę. Cho i Abe (2013) twierdzą, że powszechne stosowanie testów dwustronnych do kierunkowych hipotez badawczych wynika z błędnego przekonania, iż test dwustronny jest „bezpieczniejszy”, oraz z mylenia hipotezy badawczej ze statystyczną. Sommet i in. (2023) wymieniają prerejestrowane testy jednostronne wśród sposobów zwiększenia mocy bez powiększania próby. Wspólny mianownik: test jednostronny wymaga mocnego uzasadnienia kierunku, decyzji podjętej przed zebraniem danych i jawnego opisu w pracy. W pozostałych sytuacjach – a w pracach dyplomowych w większości – stosuj test dwustronny.

Dlaczego kierunek trzeba ustalić przed badaniem?

Bo wybór kierunku po obejrzeniu danych podwaja ryzyko fałszywego alarmu. W symulacji 10 000 badań, w których H0 była prawdziwa, test dwustronny dał wynik istotny w 4.96% przypadków, a z góry zaplanowany test jednostronny – w 5.23%. Gdy jednak kierunek testu jednostronnego dobierano do tego, co wyszło w danych, wynik „istotny” pojawił się w 10.43% badań – rzeczywiste α wynosi wtedy około .10, a nie .05. To samo dzieje się, gdy po uzyskaniu p = .063 ktoś „przechodzi” na test jednostronny. To odmiana p-hackingu, a dopisanie po fakcie kierunkowej hipotezy to HARKing.

Najlepszym zabezpieczeniem jest prerejestracja badania. Nosek i in. (2018) podkreślają, że określenie pytań i planu analiz przed poznaniem wyników pozwala odróżnić testowanie predykcji od wyjaśniania wyników po fakcie.

Jak opisać test jednostronny w pracy (APA)

W podrozdziale o analizie danych napisz, które hipotezy testowano jednostronnie i dlaczego; w wynikach przy każdej wartości p z testu jednostronnego dodaj adnotację. W R kierunek ustawiasz argumentem alternative („greater” albo „less”) – dotyczy on różnicy pierwsza grupa minus druga, więc kolejność grup ma znaczenie.

Jeśli hipoteza nie była zaplanowana jako kierunkowa, ten sam wynik opisz jako nieistotny: t(58) = 1.89, p = .063, 95% CI [−0.11, 4.05]. Więcej gotowych zdań: Jak opisać wyniki w pracy – gotowe zdania w stylu APA.

set.seed(165)
kontrola <- pmin(pmax(round(rnorm(30, 18, 4)), 0), 30)    # test pamięci roboczej (0–30), grupa kontrolna
trening  <- pmin(pmax(round(rnorm(30, 19.5, 4)), 0), 30)  # po treningu pamięci
t.test(trening, kontrola, var.equal = TRUE)                # test dwustronny

# test jednostronny, H1: μ(trening) > μ(kontrola); kolejność grup ma znaczenie (trening − kontrola)
w1 <- t.test(trening, kontrola, var.equal = TRUE, alternative = "greater")
round(c(t = unname(w1$statistic), p_jednostronne = w1$p.value, dolna_granica_CI = w1$conf.int[1]), 4)
t.test(trening, kontrola, var.equal = TRUE, alternative = "less")$p.value   # gdyby H1 zakładała odwrotny kierunek
qt(c(.975, .95), df = 58)                                  # wartości krytyczne: dwustronna i jednostronna

# Kierunek wybrany po obejrzeniu danych – odsetek fałszywych alarmów, gdy H0 jest prawdziwa
set.seed(2026)
t_sym <- replicate(10000, t.test(rnorm(30), rnorm(30), var.equal = TRUE)$statistic)
c(dwustronny = mean(2 * pt(-abs(t_sym), 58) < .05),
  jednostronny_z_gory = mean(pt(t_sym, 58, lower.tail = FALSE) < .05),
  kierunek_po_fakcie = mean(pt(abs(t_sym), 58, lower.tail = FALSE) < .05))

	Two Sample t-test

data:  trening and kontrola
t = 1.8924, df = 58, p-value = 0.06343
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.1136161  4.0469494
sample estimates:
mean of x mean of y 
 19.83333  17.86667 

               t   p_jednostronne dolna_granica_CI 
          1.8924           0.0317           0.2295 
[1] 0.9682834
[1] 2.001717 1.671553
         dwustronny jednostronny_z_gory  kierunek_po_fakcie 
             0.0496              0.0523              0.1043 

Najczęstsze błędy

• Dzielenie p na pół po fakcie – „wyszło p = .063, więc jednostronnie p = .032” to zmiana procedury po obejrzeniu wyniku, która podwaja α.
• Test jednostronny bez informacji – czytelnik zakłada test dwustronny; brak adnotacji wprowadza go w błąd.
• Dzielenie na pół p z testu F lub chi-kwadrat – te testy mają niekierunkowe hipotezy, ich wartości p się nie połowi.
• Odwrócona kolejność grup w R – alternative = "greater" dotyczy różnicy pierwsza grupa minus druga; zamiana grup daje p bliskie 1.
• Przemilczenie efektu w nieoczekiwanym kierunku – nawet jeśli test jednostronny go nie „widzi”, opisz go i pokaż przedział ufności.

Najczęstsze pytania

Czym różni się test jednostronny od dwustronnego?

Test dwustronny sprawdza, czy grupy różnią się w którąkolwiek stronę (H1: μ₁ ≠ μ₂), a jednostronny – czy różnią się w przewidzianym kierunku (np. H1: μ₁ > μ₂). W dwustronnym α dzieli się na dwa ogony rozkładu, w jednostronnym całe trafia do jednego ogona, dlatego wartość krytyczna jest niższa.

Kiedy można użyć testu jednostronnego?

Tylko wtedy, gdy kierunek efektu wynika z teorii, decyzję podjęto przed zebraniem danych (najlepiej w prerejestracji) i potrafisz uzasadnić, dlaczego duży efekt w przeciwnym kierunku potraktowałbyś tak samo jak brak efektu (Ruxton i Neuhäuser, 2010). W pracach dyplomowych zwykle bezpieczniejszy jest test dwustronny.

Jak przeliczyć wartość p z testu dwustronnego na jednostronny?

Jeśli wynik ma kierunek zgodny z hipotezą, jednostronne p to połowa dwustronnego (np. .063 / 2 ≈ .032). Jeśli kierunek jest przeciwny, jednostronne p wynosi 1 − p/2 (np. .968). Przeliczenie jest uprawnione tylko wtedy, gdy test jednostronny zaplanowano z góry.

Czy można zmienić test na jednostronny, gdy wynik jest prawie istotny?

Nie. Wybór kierunku po obejrzeniu danych podwaja rzeczywiste ryzyko fałszywego alarmu – w naszej symulacji przy prawdziwej H0 dał 10.4% wyników „istotnych” zamiast 5%. To odmiana p-hackingu.

Czy ANOVA i test chi-kwadrat są jednostronne?

Nie w sensie kierunku hipotezy. Statystyki F i χ² porównuje się wprawdzie tylko z prawym ogonem rozkładu, ale hipotezy tych testów są niekierunkowe (jakakolwiek różnica lub zależność). Ich wartości p nie dzieli się na pół.

Jak zrobić test jednostronny w R?

Dodaj argument alternative w funkcji t.test(): t.test(trening, kontrola, alternative = "greater") sprawdza H1: μ_trening > μ_kontrola, a "less" – przeciwny kierunek. Kierunek dotyczy różnicy pierwsza grupa minus druga, więc pilnuj kolejności grup.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{bland1994statistics, author={Bland, J. Martin and Altman, Douglas G.}, title={{Statistics notes: One and two sided tests of significance}}, journal={BMJ}, year={1994}, volume={309}, number={6949}, pages={248}, doi={10.1136/bmj.309.6949.248}}

@article{cho2013two, author={Cho, Hyun-Chul and Abe, Shuzo}, title={{Is two-tailed testing for directional research hypotheses tests legitimate?}}, journal={Journal of Business Research}, year={2013}, volume={66}, number={9}, pages={1261--1266}, doi={10.1016/j.jbusres.2012.02.023}}

@article{lombardi2009misprescription, author={Lombardi, Celia M. and Hurlbert, Stuart H.}, title={{Misprescription and misuse of one-tailed tests}}, journal={Austral Ecology}, year={2009}, volume={34}, number={4}, pages={447--468}, doi={10.1111/j.1442-9993.2009.01946.x}}

@article{nosek2018preregistration, author={Nosek, Brian A. and Ebersole, Charles R. and DeHaven, Alexander C. and Mellor, David T.}, title={{The preregistration revolution}}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={11}, pages={2600--2606}, doi={10.1073/pnas.1708274114}}

@article{ruxton2010when, author={Ruxton, Graeme D. and Neuhäuser, Markus}, title={{When should we use one-tailed hypothesis testing?}}, journal={Methods in Ecology and Evolution}, year={2010}, volume={1}, number={2}, pages={114--117}, doi={10.1111/j.2041-210x.2010.00014.x}}

@article{sommet2023how, author={Sommet, Nicolas and Weissman, David L. and Cheutin, Nicolas and Elliot, Andrew J.}, title={{How many participants do I need to test an interaction? Conducting an appropriate power analysis and achieving sufficient power to detect an interaction}}, journal={Advances in Methods and Practices in Psychological Science}, year={2023}, volume={6}, number={3}, eid={25152459231178728}, doi={10.1177/25152459231178728}}